Wissensrepräsentation

Wissensrepräsentation bezeichnet die Methoden, mit denen Wissen so formal abgebildet wird, dass ein Computer es verarbeiten kann. Es geht darum, Begriffe, Zusammenhänge und Regeln aus einem Fachgebiet in eine Struktur zu bringen, die Maschinen "verstehen" und für Schlussfolgerungen nutzen können. Damit ist Wissensrepräsentation eine der ältesten Disziplinen der künstlichen Intelligenz.

Zu den gängigen Verfahren zählen Ontologien, die Begriffe und ihre Beziehungen hierarchisch ordnen, semantische Netze, die Wissen als Knoten und Verbindungen darstellen, sowie Regelsysteme nach dem Muster "Wenn X, dann Y". Auch Klassen- und Objektmodelle, wie man sie aus der Softwareentwicklung kennt, gehören dazu. In den 1980er Jahren bildeten solche Wissensbasen das Herzstück der sogenannten Expertensysteme, die Fachwissen von Ärzten, Ingenieuren oder Steuerberatern in Software gossen. Heute findet man diese Techniken in Suchmaschinen, in der Industrie 4.0, in medizinischen Entscheidungssystemen und als Grundlage vieler regelbasierter Chatbots.

Für kleine und mittlere Unternehmen ist Wissensrepräsentation oft unsichtbar im Hintergrund präsent. Wer einen Produktkatalog mit Filterfunktionen pflegt, eine Wissensdatenbank im Kundenservice aufbaut oder einen einfachen Chatbot für Standardanfragen einsetzt, arbeitet bereits mit Formen der Wissensrepräsentation. Auch in der Buchhaltungs- oder Steuersoftware stecken Regelwerke, die fachliches Wissen abbilden. Wer betriebliches Erfahrungswissen systematisch dokumentieren möchte, etwa um es bei Personalwechseln zu sichern, profitiert davon, klare Strukturen wie Kategorien, Regeln oder Glossare anzulegen. Das ist nicht nur eine Vorstufe zu KI-Projekten, sondern bereits für sich genommen wertvoll.

Die Stärke der klassischen Wissensrepräsentation liegt in Nachvollziehbarkeit und Genauigkeit: Entscheidungen lassen sich begründen. Ihre Grenze ist der hohe Pflegeaufwand. Moderne Sprachmodelle gehen einen anderen Weg, indem sie Wissen aus Texten statistisch ableiten. In der Praxis ergänzen sich beide Ansätze zunehmend, etwa in Verbindung mit Wissensgraphen und sogenanntem Retrieval Augmented Generation.